CN118092404B 一种基于人工智能的plc控制器网络预防性维护方法及系统 （哈尔滨宇龙自动化有限公司）

KR20170125238A,2017.11.14一种基于人工智能的PLC控制器网络预防性本发明提出了一种基于人工智能的PLC控制智能感知节点实时采集各控制器的运行参数数2在PLC控制器网络中部署智能感知节点，通过所述智能感应节点实时采集各控制器的通过预置机器学习模型对预处理后运行参数数据进行第一分析，获得将历史数据以及实时数据整合为完整数据集，并构建基于深度神经网基于第二预测结果制定预防性维护任务清单，并通过运筹实时监控故障预测模型的性能指标；根据维护反馈数据根据故障预测模型的预测结果和知识图谱更新情况，对预置机器所述通过预置机器学习模型对预处理后运行参数数据进行第一将选定的预置机器学习模型加载到智能感知节点或中央处理平台中预置机器学习模型根据输入的运行参数数据进行计算，输出第一分析根据预置机器学习模型的第一输出结果和预设的异常阈值，判若系统配置了自动化响应功能，则根据预警信息自动执行2.根据权利要求1所述一种基于人工智能的PLC控制器根据PLC控制器网络的规模和特点，选择智能感知节点；将智能感知节3所述智能感应节点接收到运行参数数据后，对所述运行参数数据进将格式转换后的运行参数数据输入到数据处理模块，通过数据3.根据权利要求2所述一种基于人工智能的PLC控制通过智能感知节点对PLC控制网络的运行状态进行实时监测，对收集到网络状态数据4.根据权利要求2所述一种基于人工智能的PLC控制器网络预防性数据处理模块接收到运行参数数据，根据运行参数类型，将运行所述处理空间通过并行处理算法对接收到的参数数据分别进行预处预处理完毕后，将各个处理空间的处理资源进行合并，获得运行5.根据权利要求1所述一种基于人工智能的PLC控制收集PLC控制器网络的历史数据以及智能感应节点采集的实时数据，将历史数据与实对整合后的数据集进行预处理，并对预处理后的数据集进行特征将新采集的实时运行参数数据进行预处理，并将预处理后的运行参6.根据权利要求1所述一种基于人工智能的PLC控制器网络评估维护任务的多方面影响程度，并量化为影响度指标；4运用运筹优化算法对维护任务进行优先级排序；将优先级排序后7.根据权利要求1所述一种基于人工智能的PLC控制将新的故障案例、维护记录以及设备改进信息整合到8.根据权利要求1所述一种基于人工智能的PLC控制器网对故障预测模型的预测结果进行深入分析，将预测结果与实际发生的故障进行比对，通过知识图谱分析故障预测模型在处理特定故障模式或关联设备故定知识图谱更新所引入的新数据类型评估新数据对故障预测模型预测通过交叉验证对预置机器学习模型的关键参数进行敏感性分析，识别将调整后的预置机器学习模型部署到实际应用环境中，替换原有预置机器学习模型；设置预置机器学习模型性能监控系统，持续收集预置机器学习模型在线预测的性能数据，9.一种用于实现如权利要求1所述的基于人工智能的PLC控制器网络预防性维护方法第一分析模块：通过预置机器学习模型对预处理后运行参模型构建模块：将历史数据以及实时数据整合为完整数据集效果评估模块：基于第二预测结果制定预防性维护任5参数调整模块：根据故障预测模型的预测结果和知识图谱更新情6[0001]本发明提出了一种基于人工智能的PLC控制器网络预防性维护方法及系统，属于[0003]近年来，人工智能技术的快速发展为PLC控制器网络的预防性维护提供了新的解[0005]本发明提供了一种基于人工智能的PLC控制器网络预防性维护方法及系统，用以[0006]本发明提出的一种基于人工智能的PLC控制器网络预防性维护方法，所述方法包[0007]在PLC控制器网络中部署智能感知节点，通过所述智能感应节点实时采集各控制7[0014]根据PLC控制器网络的规模和特点，选择智能感知节点；将智能感知节点集成到[0020]通过智能感知节点对PLC控制网络的运行状态进行实时监测，对收集到网络状态[0027]进一步的，所述通过预置机器学习模型对预处理后运行8[0034]若系统配置了自动化响应功能，则根据预警信息自动执[0036]收集PLC控制器网络的历史数据以及智能感应节点采集的实时数据，将历史数据故障预测模型参数或结构，将更新数据纳入PLC控制器网络的知识图谱对知识图谱进行更9[0051]通过知识图谱分析故障预测模型在处理特定故障模式或关联[0054]本发明提出的一种用于实现基于人工智能的PLC控制器网络预防性维护方法的系[0056]第一分析模块：通过预置机器学习模型对预处理后运行故障预测模型参数或结构，将更新数据纳入PLC控制器网络的知识图谱对知识图谱进行更保数据的质量和一致性；利用预置机器学习模型对预处理后的运行参数数据进行初步分预置机器学习模型参数可以根据故障预测模型的预测结果和知识图谱更新情况进行动态[0077]根据PLC控制器网络的规模和特点，选择智能感知节点；将智能感知节点集成到行状况等因素调整采集频率、采样率等参数；智能感知节点向PLC控制器发送数据采集指[0085]通过智能感知节点对PLC控制网络的运行状态进行实时监测，对收集到网络状态[0088]上述技术方案的工作原理为：智能感知节点通过内置的监测模块实时监测PLC控[0103]若系统配置了自动化响应功能，则根据预警信息自动执[0107]收集PLC控制器网络的历史数据以及智能感应节点采集的实时数据，所述历史数[0111]上述技术方案的工作原理为：从多个来源收集PLC控制器网络的历史数据和实时据输入的实时数据预测PLC控制器网络在未来可能出现的故障概率、故障类型及其可能发行历史趋势和当前状态的完整数据集，能够更全面地反映设备真实状况，为故障预测提供的特征具有可比性，有利于深度神经网络的训练和学习。根据数据特性与预测任务需求选通过反向传播优化网络权重，提高模型预测性能。将数据集划分为训练集、验证集和测试集的实时运行参数数据经预处理后输入训练好的故障预测模型，得到第二预测结果，包括据适时调整故障预测模型参数或结构，将更新数据纳入PLC控制器网络的知识图谱对知识[0126]本发明的一个实施例，所述根据故障预测模型的预测结[0128]通过知识图谱分析故障预测模型在处理特定故障模式或关联叉验证的方法对模型的关键参数进行敏感性分析，识别出对预测性能有显著影响的参数。障模式和维护历史信息，模型能够更好地理解和处理特定故障模式和关联设备故障，提高对复杂故障场景的识别和预测能力。同时，随着知识图谱的更新，模型能及时吸收新数据模型部署到实际应用环境中，通过模型性能监控系统实时收集在线预测的性能数据，定期[0135]第一分析模块：通过预置机器学习模型对预处理后运行故障预测模型参数或结构，将更新数